药物研发里的 AI 不能只交一次卷：数据一变，旧成绩就可能失效

模型通过测试的那一天，只是第一天

一家药企训练了一个模型，用来预测某类实验结果。验证集上的表现达到预设标准，团队把版本写进报告，开始在研发流程中使用。半年以后，实验平台更换，病人来源改变，数据清洗规则更新。模型仍然每天输出精确小数，界面也没有警告。可它回答的，已经不完全是当初通过测试的那个问题。

传统软件出错，常表现为崩溃或结果明显异常。数据驱动模型更麻烦：它可以稳定运行，却在悄悄变得不适用。药物研发又横跨临床前研究、临床试验、制造和上市后监测，一个模型可能影响候选选择、试验设计、质量判断或安全信号。错误不只浪费计算时间，也可能改变哪些证据被继续追踪。

2026 年 1 月，美国 FDA 的药品审评和生物制品部门与欧洲药品管理局合作发布十项药物研发良好 AI 实践指导原则。它们包括以人为本、基于风险、遵循标准、明确使用情境、多学科专业、数据治理与文档、模型设计与开发、基于风险的性能评估、生命周期管理，以及提供清楚且必要的信息。

十项原则没有批准任何产品，也不是一套一次勾完的强制清单。它们更像共同语法：当 AI 产生要进入药物研发和监管判断的证据时，开发者、使用者和监管者应讨论哪些问题。最重要的变化，是把模型从一次性算法成果改写成需要持续照料的系统。

先说清它到底被用来做什么

“使用 AI 加速药物研发”过于宽泛。模型可以做分子筛选、影像测量、患者分层、试验站点选择、制造过程监测或药物警戒。不同任务的风险、数据和验证方式完全不同。

明确使用情境，就是写清模型在流程中的角色和范围：输入是什么，输出交给谁，输出参与哪项决定，是提供参考还是自动触发动作，适用哪种人群、设备和阶段。一个用于内部探索排序的模型，与一个支持监管主要证据的模型，不能承担相同验证要求。

使用情境还需要写“不做什么”。只在某种影像设备上训练的模型，不能默认为另一设备适用；在成人数据上建立的结果，不能无证据扩展到儿童；用于发现信号的工具，也不能自动变成确认因果的工具。边界写得越清楚，性能数字才知道在回答什么。

基于风险意味着验证投入与错误后果匹配。如果模型只帮助研究人员优先阅读文献，错误通常可由人工发现；如果它影响临床试验入组或制造放行，误差可能直接改变患者和产品。监管不是要求所有模型同样完美，而是要求高风险用途承担更强证据和监督。

数据治理不是把文件锁起来

数据治理常被简化为隐私与权限。对药物研发 AI，它还包括数据如何生成、定义、清洗、标注、分割和更新。一个实验结果的单位、一项病历编码的含义、一个缺失值被如何处理，都可能改变模型。

训练数据与评价数据需要相互独立，避免模型在熟悉样本上取得虚高成绩。多中心数据应检查站点差异，时间跨度长的数据应检查诊疗或设备变化。若使用真实世界数据，还要解释记录是照护副产品而非为研究专门采集，存在选择、缺失与编码偏差。

文档的目标不是制造档案柜，而是让后来者能够回答：这个版本用过什么数据，谁批准了变化，已知限制是什么，结果能否重现。数据来源无法完全公开时，也应提供足够的结构说明和受控审查路径。商业秘密不能让关键证据完全不可检查。

治理还包括血缘。模型输出进入后续分析后，最终报告中的一个数字要能追溯到模型版本、输入数据和处理步骤。否则，发现错误时团队无法知道哪些决定受影响，也无法准确撤回或重算。

性能不是一个总分

模型评估最容易被压缩成准确率或相关系数。药物研发中的可靠性需要更细。不同人群、站点、设备、时间和疾病亚型可能表现不同；平均分会遮住少数但高风险的失败。

评估应围绕使用情境选择指标。用于筛查的模型可能更关心漏掉风险，用于资源排序的模型还要考虑误报成本。置信区间、校准、不确定性和失败模式，比一个最佳分数更接近决策需要。与现有方法比较时，也要保证输入、样本和阈值公平。

人类监督必须被实际测试。写一句“最终由专家决定”不够。研究要观察专家能否理解输出、是否过度依赖、在模型错误时能否识别、工作量是否允许认真复核。一个需要每次检查几十项证据的监督设计，可能在实验室可行，在繁忙流程中变成形式。

性能报告还应包含不确定和拒答。模型遇到分布外数据、质量不足或缺失关键字段时，能够停下并请求人工处理，比无条件输出更安全。拒答率本身也要监测；若系统对某些人群更常拒答，收益会不均等。

生命周期意味着旧成绩会过期

模型上线后，环境不断变化。临床指南更新，新药进入标准治疗，实验室设备更换，制造原料和传感器漂移，病人群体也可能改变。即使模型代码没动，输入世界已经变化。

生命周期管理需要定义监测指标、触发阈值和行动。哪些数据变化需要调查，哪些性能下降必须停用，何种模型更新可以在既有框架内验证，何种变化需要重新提交证据。版本之间要有可比较记录，旧输出的处理方式也要明确。

更新并不总是改进。新数据可能引入偏差，优化总体表现可能损害某个亚群，修复一种错误也可能创造另一种错误。每次变更都应回到原使用情境，重新检查高风险失败，而不是只比较平均分。

事故和近失误同样属于生命周期。模型导致错误排序、异常漏检或人工误解时，组织需要记录、分析和分享适当信息。若失败只留在单个团队内部，行业会重复相同问题。监管原则要真正产生公共价值，还需要未来的报告机制、案例和可操作标准。

国际共同原则与地方证据

FDA 与 EMA 共同提出原则，可以减少企业面对完全不同监管语言的成本，也有助于跨境研发形成一致底线。但共同原则不会消除地区差异。数据保护、医疗体系、人口构成和法律责任不同，同一个模型仍需要本地证据。

国际协调最适合统一问题框架：怎样定义使用情境，如何记录版本，何时重评，怎样报告性能和风险。至于某模型在具体申请中是否足够可靠，仍要根据产品、证据和适用法律判断。

原则也不应被企业当成营销徽章。“遵循十项原则”如果没有公开或可审查证据，只是一句自述。真正的良好实践要留下痕迹：数据说明、验证计划、变更记录、监测结果和责任人。

药物需要证据，帮助制造证据的模型也需要

药物被允许进入临床和市场，是因为质量、安全性和有效性证据达到相应要求。AI 若参与生成、分析或筛选这些证据，它本身的可靠性就成为证据链的一部分。不能因为模型只在后台运行，就把它当成不会变化的计算器。

回到开头那个半年后仍在输出小数的系统。正确的问题不是“它有没有通过过测试”，而是“现在的数据、版本和使用情境，是否仍与那次测试相同”。如果答案不确定，旧成绩就不能自动续期。

药物研发里的 AI 最需要的，也许不是一张永久证书，而是一套会提醒人重新考试的制度。模型可以加快发现和分析，但每一次变化都要有人重新确认：它仍在回答原来的问题，仍值得我们把下一步交给它。

把十项原则变成一份可检查的运行记录

原则只有进入日常流程才会产生效果。一个团队可以为每个高影响模型建立“模型档案”，但它不应只是上线审批表。档案至少要连接使用情境、数据版本、性能证据、责任人、变更历史、监测结果和停用条件。任何人接手时，都能从一处知道系统为何存在、现在能做什么。

上线前，业务负责人、领域专家、数据科学家、质量与合规人员共同签署边界。多学科不是把姓名放进会议纪要，而是让各自提出可以阻断上线的问题：临床专家审查医学意义，统计人员审查评价设计，工程团队审查数据与版本，使用者检查界面是否诱导过度信任。

上线后，可以设定分层监测。第一层是输入：缺失、分布和数据源是否变化；第二层是输出：校准、拒答和亚群表现是否漂移；第三层是行为：人类是否接受建议、何时推翻、有没有绕开系统；第四层是后果：错误是否进入后续研究或质量决定。只监控服务器正常，不等于监控模型可靠。

告警之后必须有动作。轻微变化可以增加人工抽查，持续偏移需要限制使用范围，严重或不明风险则暂停。停用不是失败文化的污点，而是风险管理能力。系统若从未定义怎样关掉，所谓人类监督就缺少最后一步。

供应商模型还带来责任接口。药企可能无法查看全部训练数据或权重，但仍需获得版本、变更、性能和事故信息，并在合同中明确通知与审计权。把模型采购给第三方不会把监管责任一同外包。

最后，记录应服务于学习。被推翻的建议、近失误和人工修正可以揭示新失败模式，但再利用这些数据前要处理隐私、偏差和反馈循环。若只用“人类接受的输出”继续训练，系统可能学会复制既有习惯，而不是更接近真实证据。

十项原则最终应让每个模型留下可追踪的生命史：它从哪些数据出生，在什么任务中被允许工作，经历过哪些变化，什么时候被限制或退休。没有这段历史，生命周期管理就只剩一个好听的名词。

来源与边界

• 核心事实来自 FDA/EMA 2026 年十项良好 AI 实践原则与 FDA 药物研发 AI 官方入口；2025 年监管决策 AI 文件仅作背景。
• 十项原则为指导性共同框架，不是对具体系统的批准，也不能证明 AI 缩短研发周期或提高药物疗效。
• 本文不评价具体产品合规性，不提供药物研发操作方案；生命周期、停用和事故机制部分为基于原则的编辑解释。